一、需求分析
由于医疗临床和科研数据量巨大，传统人工设计规则的方法难以支持医院有效完成精准识别敏感数据、制定针对性保护措施及合规性保障等工作，迫切需要形成一套可落地、覆盖医院电子病历数据的分类分级建议和实践指导。实现以患者数据为目标，对医院电子病历数据进行分类分级，以对不同级别的数据进行差异化的保护和管理。
二、技术实现
一是构建数据分类分级本地知识库，上传HIS数据库表架构、字段，以及卫生健康行业分类分级指南文件，量身定制数据分类分级规范、管理制度体系本地知识库，基于人工智能大语言模型理解数据的语义语境，通过多特征融合的智能分类分级关键技术，开发数据智能分类分级系统，实现数据的智能化、自动化、精准化分类分级，以数据智能分类分级平台自学习功能模块为基础，结合DeepSeek及RAG本地知识库调优数据分类分级结果，AI模型将调优结果进行自学习并不断迭代，提高下一次数据分类分级的精准度。二是构建智能数据分类分级平台，通过分类分级标准规范模版+多特征融合的智能分类分级引擎的模式，实现识别重要数据、核心数据资产，形成重要数据、核心数据资产目录。三是对数据进行预处理，包括非结构化文本转化为结构化数据、数据清洗与标准化、数据去重与一致性检查。四是通过预训练模型优化、上下文理解、自动数据标注、知识图谱融合、自适应学习机制等提升分类精准度。五是通过构建医疗知识库、动态调整分级策略、基于病例相似性检索等确保分级准确性。
（摘录：中国数字医学）
偶德峻，中国科学技术大学附属第一医院高级工程师，现任安徽省医院协会专业委员会常务委员、中国医院协会医学人工智能专业委员会委员、国家医疗健康信息互联互通标准化成熟度测评专家。
////////////////////////////////////专家点评////////////////////////////////////
广州医科大学附属妇女儿童医疗中心深入探讨了DeepSeek大语言模型与RAG技术在医疗数据分类分级中的应用，为医疗数据治理提供了创新思路。其亮点在于：一是技术融合创新，通过LLM与RAG技术构建“双引擎”知识治理框架，有效解决医疗数据处理难题；二是定制化本地知识库构建，考虑医疗机构特殊性，提高分类分级准确性和适应性；三是人机协同优化，提出结果置信度阈值设定，实现自动化分级与人工审核相结合，减轻工作负担；四是强化安全与合规管理，通过本地化部署和训练确保数据安全合规。文章实践指导性强，为医疗数据治理提供了可借鉴的技术路径。建议未来进一步探索多模态数据处理技术，提高数据分类分级精准度，为医疗决策提供更丰富的信息支持。